利用深度学习算法预测桥墩周围的冲刷深度变化，研究了不同模型的性能，并探索了超参数调优和模型优化的创新随机搜索启发式算法。揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。

该文章介绍了一种低内存和计算成本的高阶Volterra滤波方法，使用Higher-order Local Attention Block（HLA）注意力模块进行DCNN训练，通过在CIFAR-100数据集上的测试显示出有竞争力的分类任务改进。

该文章提出了一种基于深度学习的方法，用于高效计算埃尔米特矩阵的逆矩阵，并应用于上行大规模MIMO系统中的信号检测。该方法通过离线训练优化多项式展开项的系数，收敛速度和计算复杂度优于传统方法。离线训练过程时间稍长，但训练过程仍然很快。

本文介绍了一种新型的基于卷积神经网络的量子机器学习模型，采用多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力。通过两个例子证明了该模型的潜力，并讨论了其实验实现和拓展。

我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

我们提出了一种方法来提高语义分割方法的预测准确性，该方法包括构建一个基于卷积自编码器的预处理层的神经网络，并对整个网络进行训练。通过在城市景观数据集上实验比较，我们发现所提出的目标模型的均交并比（Mean IoU）比初始初始化的全卷积网络（FCN）高出 18.7％，而修改后的目标模型的均交并比显著高于初始化的 FCN。训练过程中准确性和损失曲线的变化表明这是由于泛化能力的改进。这些结果强有力地证明了该方法在提高 FCN 的预测准确性方面的显著有效性。该方法具有以下特点：相对简单，但对于提高 FCN 的泛化能力和预测准确性的影响显著；使用该方法增加的参数数量非常小，而计算时间的增加则相当大。原则上，该方法可以应用于其他语义分割方法。目前，在语义分割领域中，没有有效的方法可以提高现有方法的预测准确性，没有人发表过与我们方法相同或类似的方法，也没有人在实践中使用过这样的方法。因此，我们相信我们的方法在实践中是有用的，值得广为人知和使用。

通过深度学习技术在ChestX-ray14数据集上进行实验，发现CoAtNet模型具有最佳性能，其AUROC为84.2%。通过加权平均集成方法，AUROC进一步提高至85.4%，超越其他方法。研究结果表明，深度学习技术能够提高从胸部X射线图像中自动诊断胸部疾病的准确性。

本研究提出了旋转不变卷积操作（RIConvs），通过不可学习算子提高了卷积神经网络的准确性，特别是在数据有限的情况下。

该研究评估了不同卷积神经网络对MRI序列进行恶性病变分类的能力，发现使用ResNet3D获得了最佳结果，平均精确率为0.4583，AUC ROC得分为0.6214。

本研究提出了一种名为多尺度时空自注意力网络的混合模型，通过使用自注意力图卷积网络技术，有效提高了建模能力，并在多个数据集上取得了最先进的结果。该模型利用自空间和自时间注意力模块分别研究帧内身体部位之间的关系和节点帧之间的相关性。通过多尺度卷积网络捕获节点的长程时空依赖关系，并使用 softmax 分类器输出预测的动作。